专家预测、异质信念与资产价格泡沫形成机制研究：实验室研究证据

基本信息

作者: 宗计川 (Jichuan Zong)、杨晓林 (Xiaolin Yang)、张秀梅 (Xiumei Zhang)
期刊: 财经问题研究 (Research on Financial and Economic Issues)
年份: 2014
卷期: 2014年第8期
机构: 东北财经大学金融学院；东北财经大学实验经济学实验室
关键词: 专家预测, 异质信念, 资产价格泡沫, 学习预测实验, 实验经济学
语言: 中文

注意: 原始PDF文件为空（0字节），以下内容基于网络搜索获取的论文信息、作者其他已发表论文（尤其是宗计川、付嘉、包特2017年《世界经济》上使用相同实验范式的论文）以及该研究领域的标准方法进行重构。部分实验细节为基于领域知识的合理推断，标注为[推断]。

一句话总结

利用学习预测实验（LtFE）范式，在标准实验资产市场中引入专家预测信息作为外生处理，证明专家预测通过协调被试预期、降低信念异质性这一机制显著抑制了资产价格泡沫的形成与持续。

注：原始 PDF 为空，本节内容基于网络可获信息、作者团队（宗计川-付嘉-包特、Bao-Zong）后续研究范式以及 LtFE 文献标准设计进行的合理重构。

研究问题

资产市场中专家预测信息的公开是否能够通过改变交易者间的信念异质性来影响资产价格泡沫的形成？
在 LtFE 实验市场中，异质信念在泡沫形成机制中扮演什么角色？
专家预测作为公共信号是否具有焦点效应（focal point），即能否协调被试的预期收敛于基本面价值？
不同的预测启发式（适应性、趋势外推、锚定调整、朴素）在专家预测信息下的分布与切换模式有何差异？

核心贡献

范式创新: 在标准 Hommes 系列的 LtFE 框架基础上首次引入专家预测作为实验操控变量，将信念异质性的外部锚定通道纳入因果识别框架
机制识别: 提供了"公共信号 → 信念协调 → 异质性降低 → 泡沫抑制"这一链条的实验室证据，连接了 Morris-Shin (2002) 的公共信号理论与 Hommes (2011) 的异质预期假说
中文实验经济学贡献: 在中国学生样本中复制并扩展了 LtFE 范式，为跨文化稳健性提供基础证据，也是国内行为/实验金融领域较早期的应用之一
理论桥梁: 为 Miller (1977)、Harrison-Kreps (1978)、Scheinkman-Xiong (2003) 等"异质信念驱动泡沫"的理论模型提供了直接的、可控的实验室证据，弥补了纯理论与纯实证（如做空约束）研究之间的因果鸿沟
政策启示: 结果暗示信息透明度政策与专家预测的公开可以作为降低市场过度波动与抑制泡沫的潜在工具

维度1：实验设计分析

核心研究问题

专家预测信息的公开是否能够通过改变交易者的异质信念来影响资产价格泡沫的形成？异质信念在泡沫形成机制中扮演什么角色？

实验范式

本文采用学习预测实验（Learning-to-Forecast Experiment, LtFE），该范式由Hommes等人开创，是实验资产定价领域的核心方法之一。与传统的SSW（Smith, Suchanek & Williams, 1988）范式中被试直接交易资产不同，LtFE中被试仅需提交对未来资产价格的预测，市场价格由计算机根据所有被试的预测汇总生成。

实验结构总览 [部分推断]

被试: 大学生，来自东北财经大学实验经济学实验室
分组: 每组约6人，固定小组
实验范式: 学习预测实验（LtFE）
软件: z-Tree (Fischbacher, 2007) [推断，基于作者其他实验论文]
报酬: 出场费 + 基于预测准确度的收益

实验任务详细流程

基本市场结构（LtFE框架）

资产设定: 市场中存在一种风险资产和一种无风险资产。风险资产每期支付固定股息，基本面价值可通过贴现公式计算。无风险资产的利率为 $r$
价格生成机制: 市场价格由所有被试的价格预测汇总决定。具体而言，假设市场中有机构投资者（计算机模拟）按照均值-方差优化进行交易，市场出清价格取决于被试预测的加权平均：
$ $p_t = \frac{1}{1+r}\left[\bar{p}_{t}^{e} + \bar{y}\right]$ $
其中 $\bar{p}_{t}^{e}$ 为被试提交的下一期价格预测的平均值， $\bar{y}$ 为每期股息， $r$ 为无风险利率。这构成一种正反馈系统：如果被试普遍预测价格上涨，市场价格确实会上涨
被试任务: 每期开始时，被试观察历史价格序列，然后提交对下一期资产价格的预测 $p_{i,t+1}^{e}$
收益计算: 被试的收益与预测准确度挂钩。预测越接近实际实现的市场价格，收益越高。典型的收益函数为：
$ $\text{Earnings}_t = \max\left\{C - \frac{(p_{t+1} - p_{i,t+1}^{e})^2}{D}, 0\right\}$ $
其中 $C$ 和 $D$ 为参数常数
信息反馈: 每期结束后，被试观察到实现的市场价格，并可以看到自己过去预测的历史记录
实验持续: 通常进行50-65期 [推断，基于LtFE标准设计]

处理组设计（核心操控变量：专家预测信息）

本文的关键创新在于引入专家预测作为实验操控变量，考察其对被试信念异质性和泡沫形成的影响。实验设计包含以下处理组 [推断]：

处理组	信息条件	设计逻辑
基线组（无专家预测）	被试仅观察历史价格，自行预测	衡量自然状态下异质信念的程度和泡沫形成
专家预测组	被试在提交预测前可以观察"专家"对下一期价格的预测	检验专家预测是否能协调被试信念、减少异质性、抑制泡沫

专家预测可能采取以下形式之一 [推断]：

基于理性预期均衡（REE）的基本面价值预测
基于过去价格趋势的技术分析式预测
基于某种自适应预期规则的预测

实验中信念异质性的测量

预测离散度: 同一期内不同被试预测值的标准差或变异系数，衡量信念异质性程度
预测偏差: 被试预测与基本面价值的偏离程度
预测策略分类: 通过事后分析被试的预测序列，将其归类为不同的预期形成策略（如适应性预期、趋势外推、基本面锚定等）

泡沫测量指标

价格偏离度: 市场价格相对于基本面价值的偏差， $|p_t - p_t^f|$ 或其累积值
泡沫持续时间: 价格持续高于基本面价值的期数
泡沫幅度: 价格与基本面价值之间最大偏差的幅度

关键设计特征

正反馈结构: LtFE的核心特征是价格取决于被试的平均预测，形成自我实现的预期。如果多数被试采用趋势外推策略，泡沫可以内生产生
专家预测的锚定效应: 专家预测可能通过提供公共信号（focal point），协调被试的预期，从而减少信念异质性
异质信念的内生演化: 被试的预测策略在实验过程中可能动态变化，基于市场反馈进行学习和调整

维度2：理论模型

理论框架

本文的理论基础融合了以下几个文献传统：

1. 异质信念与资产泡沫理论

Miller (1977): 在卖空约束下，异质信念导致资产价格反映乐观投资者的估值，产生高估（overpricing）
Harrison & Kreps (1978): 在动态模型中，投资者因预期可以在未来将资产转售给更乐观的买家而愿意支付高于自身估值的价格（resale option / greater fool theory）
Scheinkman & Xiong (2003): 过度自信的异质信念模型。投资者对信号的准确性存在过度自信，导致对资产基本面的估计存在分歧，驱动投机性泡沫

2. 学习预测实验理论

Hommes (2011) 异质预期假说（Heterogeneous Expectations Hypothesis, HEH）: 市场由使用不同预测规则的交易者组成。在正反馈市场中，趋势外推者（trend followers）和基本面主义者（fundamentalists）之间的交互产生内生的泡沫与崩溃周期
异质代理人模型（Heuristics Switching Model, HSM）: Brock & Hommes (1998) 提出的模型，交易者根据过去策略的表现在不同预测启发式之间切换。当趋势外推策略在泡沫阶段获得更高收益时，更多交易者切换至该策略，放大泡沫

3. 公共信息与协调

公共信号的协调作用: Morris & Shin (2002) 的框架表明，公共信号在协调个体行为方面具有不成比例的影响力。专家预测作为一种公共信号，可能通过焦点效应（focal point）协调被试的预期
共同知识与泡沫: 当被试对资产的长期价值形成共同知识时，泡沫显著减少（Bao et al., 2017）

核心理论机制

本文检验的核心机制链条为：

\text{专家预测信息} \rightarrow \text{降低信念异质性} \rightarrow \text{预期协调在基本面附近} \rightarrow \text{抑制泡沫形成}

替代机制：
$ $\text{专家预测信息} \rightarrow \text{仅作为额外锚点} \rightarrow \text{信念异质性未充分降低} \rightarrow \text{泡沫仍可能出现}$ $

预期形成模型

被试的预期形成规则通常可归类为以下几种启发式（基于事后估计）：

适应性预期（Adaptive Expectations, ADA）:
$ $p_{i,t+1}^e = p_{i,t}^e + \delta(p_t - p_{i,t}^e), \quad 0 < \delta \leq 1$ $
趋势外推（Trend Following, TF）:
$ $p_{i,t+1}^e = p_t + \gamma(p_t - p_{t-1}), \quad \gamma > 0$ $
锚定与调整（Anchoring & Adjustment, AA）:
$ $p_{i,t+1}^e = \alpha \cdot p^f + (1-\alpha) \cdot p_t, \quad 0 < \alpha < 1$ $
其中 $p^f$ 为基本面价值
朴素预期（Naive/Lazy, LAZ）:
$ $p_{i,t+1}^e = p_t$ $

维度3：核心发现

以下结果基于网络搜索获取的论文摘要信息和作者相关论文的发现，具体数值可能与原文有出入。

主要发现

发现1：基线组中泡沫普遍存在

在没有专家预测信息的基线条件下，实验市场普遍出现资产价格泡沫
被试的价格预测存在显著的异质性，预测离散度较高
多数被试采用趋势外推策略，导致价格持续偏离基本面价值
泡沫的形成与被试间信念异质性程度正相关

发现2：专家预测信息对泡沫的抑制效应

引入专家预测信息后，被试的预测离散度显著降低，信念异质性减少
市场价格更接近基本面价值，泡沫的幅度和持续时间显著减少
专家预测起到了焦点效应（focal point），帮助被试协调预期

发现3：异质信念是泡沫形成的关键驱动因素

信念异质性程度（预测离散度）与泡沫幅度之间存在显著正相关
当被试的预测策略趋同于趋势外推时，泡沫更大
当专家预测帮助被试锚定于基本面价值时，策略异质性降低，泡沫减小

发现4：预测策略的异质性动态

在泡沫形成阶段，趋势外推策略的被试比例增加（因为该策略在泡沫期间预测更准确）
在泡沫崩溃阶段，策略切换加速，部分被试转向适应性预期或基本面策略
专家预测信息减少了策略切换的频率和幅度

Effect Size 估计 [基于相关LtFE文献的典型效应量]

泡沫幅度（无专家预测 vs. 有专家预测）: 价格偏离度降低约40-60% [推断，基于Bao et al. 2017等类似研究]
预测离散度: 专家预测组的被试间预测标准差显著低于基线组
策略分类: 基线组约50-70%的被试采用趋势外推策略，专家预测组该比例降低至30-40% [推断]
收敛速度: 专家预测组的价格向基本面收敛速度更快

核心结论

异质信念是实验室资产市场泡沫形成的重要驱动因素
专家预测信息通过协调被试预期、降低信念异质性，有效抑制泡沫形成
泡沫的内生机制与被试采用的预测启发式（尤其是趋势外推）密切相关
公共信息（专家预测）可以作为政策工具，通过引导市场预期来维护金融稳定

维度6：与其他文献的关系

所属领域

实验资产定价
行为金融学
异质信念与资产泡沫
学习预测实验（LtFE）

主要贡献

引入专家预测作为实验操控: 在标准LtFE框架中加入专家预测信息，创新性地检验了公共预测信息对信念协调和泡沫抑制的因果效应
实验室证据: 为异质信念驱动泡沫的理论机制提供了直接的实验室证据，补充了Miller (1977)、Harrison & Kreps (1978) 等理论模型的实证基础
政策启示: 结果表明信息透明度和专家预测的公开可以作为抑制资产泡沫的有效手段

与关键文献的关系

文献	关系
Smith, Suchanek & Williams (1988)	实验资产泡沫的开创性研究，SSW范式。本文采用LtFE范式而非SSW范式，被试预测而非直接交易
Hommes et al. (2005, 2008)	LtFE范式的开创者。本文在该范式基础上加入专家预测作为处理变量
Brock & Hommes (1998)	异质代理人模型的理论基础（HSM）。本文的实验数据可用于验证和估计HSM模型参数
Miller (1977)	异质信念导致资产高估的理论基础。本文提供实验室层面的因果证据
Harrison & Kreps (1978)	投机性泡沫的理论框架（resale option）。本文从信念异质性角度实证检验相关机制
Scheinkman & Xiong (2003)	过度自信与投机性泡沫。本文通过实验研究异质信念（而非过度自信）对泡沫的影响
宗计川、付嘉、包特 (2017, 世界经济)	同一实验室的后续研究，使用相同LtFE范式，考察交易者认知能力（CRT）对泡沫的影响
Bao & Zong (2019, JEDC)	同一作者团队的后续研究，考察利率政策对LtFE中泡沫的影响
Morris & Shin (2002)	公共信号的协调作用理论。本文的专家预测即为一种公共信号
Haruvy, Lahav & Noussair (2007)	在SSW实验中引入价格预测的先驱研究。本文聚焦于外部专家预测而非被试自身预测

方法论特征

学习预测实验（LtFE）范式
Between-subjects设计（基线组 vs. 专家预测组）
正反馈市场结构
中文被试（东北财经大学）

局限性 [推断]

实验室环境与真实金融市场的外部有效性差距
专家预测信息的形式和质量可能影响结果的稳健性
样本量可能有限（典型LtFE实验每组6人，总样本量通常为60-120人）
实验中的"专家"预测由实验者控制，可能不完全反映真实专家预测的特征

未来研究方向

考察不同类型的专家预测（乐观预测 vs. 悲观预测 vs. 中性预测）对泡沫的差异化影响
引入多个相互冲突的专家预测，研究被试的信息筛选行为
结合认知能力测量（CRT），探讨认知能力是否调节专家预测的影响效果

维度4：变量概览

主要因变量（市场层面）

变量	定义	度量
价格偏离度	$	p_t - p_t^f
泡沫幅度	价格偏差最大值 / 基本面价值	比率
泡沫持续时间	价格连续高于基本面的期数	期数
价格波动率	市场价格序列的标准差	标准差

主要因变量（被试层面）

变量	定义	度量
预测离散度	同期被试预测的标准差/变异系数	信念异质性
预测偏差	被试预测与基本面价值的偏离	百分比
预测策略归类	适应性/趋势外推/锚定/朴素	分类
策略切换频率	被试在实验过程中切换预测规则的次数	计数

主要自变量（处理）

变量	定义
1[Expert Prediction]	是否提供专家预测信息（处理 vs. 基线）
专家预测的形式	REE 锚定 / 趋势式 / 自适应 [推断]

实验参数（典型 LtFE 设置）[推断]

参数	取值
小组规模	6 人
实验期数	50-65 期
无风险利率 r	5%-10%
每期股息 $\bar{y}$	常数（基本面价值 = $\bar{y}/r$ ）
收益函数	$\max\{C - (p_{t+1} - p^e_{i,t+1})^2 / D, 0\}$
软件	z-Tree

维度5：局限性

样本规模与代表性: 典型 LtFE 实验每组 6 人，全样本约 60-120 人；统计功效有限，且仅东北财经大学学生，文化与教育背景同质，外部效度受限
实验室与真实市场差距: LtFE 框架本质是预测任务而非真实交易任务；缺少真实金融市场中的卖空约束、流动性约束、信息分层等关键摩擦
专家预测的内生性争议: 实验中"专家预测"由实验者外生设定（基本面或趋势式），未体现真实市场专家预测的异质性、利益冲突、声誉博弈等特征
不能区分"准确专家"与"错误专家"的差异化效应: 如果专家预测系统性偏离基本面（如真实分析师的乐观偏差），其协调效应可能放大而非抑制泡沫
基本面公开度未变: 标准 LtFE 中基本面价值的计算公式对被试公开，与现实中基本面不确定的市场结构不同
正反馈结构的特定性: LtFE 的价格生成机制本身偏向产生泡沫，结果可能不直接外推至负反馈或混合反馈市场
被试激励相对较弱: 实验报酬与真实市场盈亏规模差距大，可能影响动机强度
PDF 缺失带来的具体设计不确定性: 因原始 PDF 为空，专家预测的具体形式、处理组确切设计、统计结果的具体数值与显著性水平在本笔记中均依赖推断，应以原文核实
未直接测量"过度自信"等中介变量: 论文聚焦异质信念，但未独立测量被试过度自信、确认偏误等可能的微观机制
缺少长期/重复市场设计: LtFE 单次实验市场是短期场景，未检验同一被试群体在多次重复市场中的学习与策略演化

维度7：可拓展的研究方向

专家预测的方向与质量: 比较乐观 vs. 悲观 vs. 中性专家预测的差异化效应；检验"错误专家"是否反而放大泡沫
多个相互冲突的专家: 引入 2-3 名预测方向不同的专家，研究被试的信息筛选、来源信任与综合策略
认知能力的调节: 结合 CRT（认知反思测试）测量，检验高低认知能力被试对专家预测的差异化反应（参见同作者团队 Bao_2019_Impact_Interest_Rate_Policy 的 CRT 设计）
专家预测的时机: 比较实验前公布 vs. 每期更新的专家预测对预期协调的差异化作用
结合心智化能力测量: 探究"读懂专家"的能力（参见 Bao_2024_ReadingMarket_ExpectationCoordination_TheoryOfMind）是否调节专家预测的协调效应
加入做空约束/卖空机制: 在 LtFE 框架中加入做空约束，直接检验 Miller (1977) 异质信念-高估假说在更接近真实市场结构下的表现
跨文化复制: 在西方/东亚不同文化背景被试中复制实验，检验文化差异（如对权威/专家的信任度）的调节作用
HSM 模型结构估计: 使用本实验数据正式结构估计 Brock-Hommes (1998) 异质代理人模型参数，量化策略切换强度
真实市场对应: 利用中国 A 股研报覆盖度、卖方分析师预测密度等真实数据检验"专家预测密度→市场泡沫"的外部相关性
AI/算法预测作为"专家": 在 LtFE 中引入 AI 算法预测作为公共信号，研究算法权威性对预期协调的影响
与利率政策互动: 结合 Bao_2019_Impact_Interest_Rate_Policy 的利率干预设计，研究"专家预测+货币政策"的组合效应
被试间预期网络: 让被试可观察其他被试的预测，研究社交学习与专家预测的替代/互补关系

关键结论

基线 LtFE 市场普遍出现泡沫: 在没有专家预测信息的对照条件下，被试的预测离散度高、趋势外推策略普遍，市场价格持续偏离基本面价值
专家预测显著抑制泡沫: 引入专家预测信息后，被试预测的离散度（信念异质性）显著降低，市场价格更接近基本面，泡沫的幅度与持续期数均明显减少
异质信念是泡沫形成的关键机制: 信念异质性程度与泡沫幅度之间存在显著正相关；当专家预测帮助被试锚定基本面时，预测策略由"趋势外推"向"基本面/适应性"切换，泡沫减小
公共信号具有焦点效应: 专家预测作为公共信号在协调个体预期方面有不成比例的影响力，验证了 Morris-Shin (2002) 公共信号理论与 Hommes (2011) 异质预期假说在实验市场中的预测
政策启示: 信息透明度政策与权威预测的公开发布可能成为抑制资产泡沫、维护金融稳定的有效政策工具；但效果取决于专家预测本身是否锚定基本面（如分析师乐观偏差可能反向放大泡沫）

注：以上结论为基于网络可获信息与领域标准的合理重构，具体数值与显著性水平应以原文为准。

Zong_2014_ExpertPrediction_HeterogeneousBeliefs_Bubbles